离散时间傅里叶变换，DTFT结合DFT进行通信信号分析

介绍

离散时间傅里叶变换（Discrete Time Fourier Transform，DTFT）是信号处理和系统分析中的一个重要工具，用于将离散时间信号从时域转换到频域。它是一种频谱分析方法，通过它，我们可以将时间域的离散信号分解为不同频率成分，从而更好地理解信号的频率特性。在通信、信号处理、控制系统等诸多领域，傅里叶变换扮演着至关重要的角色，DTFT尤其适用于处理离散时间信号。

背景介绍

傅里叶变换的基本思想源自法国数学家约瑟夫·傅里叶（Joseph Fourier），他提出任何周期函数都可以表示为一系列正弦和余弦函数的线性组合。这一思想后来被扩展到离散信号的分析中，形成了离散傅里叶变换（DFT）和离散时间傅里叶变换（DTFT）。

连续时间傅里叶变换（CTFT） 将连续时间信号分解为不同的频率分量，而 离散傅里叶变换（DFT） 则是对有限长度的离散信号进行频谱分析。相比之下， 离散时间傅里叶变换（DTFT） 适用于无限长的离散时间信号，并将信号的频谱表示为连续的频率变量。

为了更好地理解DTFT，首先需要明确几个基本概念：
离散时间信号：指定义在离散时间点上的信号，通常表示为 $x[n]$，其中$n$是时间索引，通常取整数值。
频域分析：通过将时间域信号转换到频域，我们能够分析信号在不同频率下的响应，这对了解信号的周期性、带宽、共振频率等特性非常重要。
周期信号与非周期信号：周期信号是指在某个固定时间间隔重复的信号，而非周期信号则不具有这种重复性。DTFT可以用于分析非周期的离散信号。

离散时间傅里叶变换的定义

离散时间傅里叶变换定义如下：
$$X(\omega )=\sum _{n=-\infty }^{\infty }x[n]e^{-j\omega n}$$
其中，$x[n]$是离散时间信号，$X[\omega ]$是信号的频谱表示，$\omega$是频率分量，$j$是虚数单位。这里的$\omega$通常表示为单位弧度频率，范围为$[-\pi ,\pi ]$。
从这个公式可以看出，DTFT实际上是一个信号的加权和，权重由复指数$e^{-j\omega n}$给出。通过DTFT，信号从离散的时间域转化为连续的频率域表示。其逆变换则可以将频域信号还原为时间域信号。

逆离散时间傅里叶变换（Inverse DTFT）

为了从频域重建时间域信号，我们使用逆离散时间傅里叶变换：
$$x[n]=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }X(\omega )e^{j\omega n}d\omega$$
这个公式将连续的频率表示 $X(\omega )$转化回离散的时间序列 $x[n]$

频谱特性

周期性：DTFT的一个重要性质是其频谱$X(\omega )$在2$\pi$范围内是周期性的。这意味着我们只需要考虑频率范围$[-\pi ,\pi ]$或$[0,2\pi ]$,其余频率可以通过周期性得到。换句话说，DTFT频谱是一个周期为 2𝜋 的函数。
实值信号的对称性：如果时间域信号$x[n]$是实值信号，则其傅里叶变换$X(\omega )$具有共轭对称性，即$X(\omega )=X^{\ast }(-\omega )$，其中$X^{\ast }(\omega )$表示$X(\omega )$的复共轭。这个性质在分析实际信号时非常有用。
幅度和相位：离散时间傅里叶变换$X(\omega )$通常是复数，因此我们可以将其分解为幅度和相位两部分：
$$|X(\omega )|=\sqrt{\text{Re}(X(\omega ){)}^2+\text{Im}(X(\omega ){)}^2}$$

$$\angle X(\omega )=\text{atan2}(\text{Im}(X(\omega )),\text{Re}(X(\omega )))$$
幅度$|X(\omega )|$描述了信号在不同频率处的强度，而相位$\angle X(\omega )$描述了不同频率分量之间的相对偏移。

重要性质

线性性：如果两个信号$x_1[n]$和$x_2[n]$的傅里叶变换分别为 $X_1(\omega )$和$X_2(\omega )$，则其线性组合$a{x}_1[n]+b{x}_2[\omega ]$.这一性质反映了傅里叶变换的线性特性。
时移性质：如果信号 $x[n]$向右平移$n_0$个单位时间，其傅里叶变换会乘以相应的相位因子：
$$x[n-n_0]\stackrel{\text{DFT}}{\to }X(\omega )e^{-j\omega n_0}$$
这一性质表明，信号的时移会导致其频谱出现相位变化，但幅度不变。
频移性质：如果信号 $x[n]$在时间域上乘以一个复指数$e^{j{\omega }_{0}n}$,则其傅里叶变换将向频域移动${\omega }_0$
$$x[n]e^{j{\omega }_{0}n}\stackrel{\text{DFT}}{\to }X(\omega -{\omega }_0)$$
这意味着时域信号中的频率偏移会导致频域中相应的频谱平移。
卷积定理：时域上的卷积运算对应于频域中的乘积运算。如果两个信号$x_1[n]$和$x_2[n]$的傅里叶变换分别为$X_1(\omega )$和$X_2(\omega )$,则它们的卷积$x_1[n]\ast x_2[n]$的傅里叶变换为：
$$X_1(\omega )\cdot X_2(\omega )$$
这一性质在分析线性时不变系统（LTI系统）时尤为重要。
Parseval定理：Parseval定理描述了信号在时间域和频域中能量的关系。对于离散时间信号$x[n]$，其能量等于其傅里叶变换在频域上的能量积分：
$$\sum _{n=-\infty }^{\infty }|x[n]{|}^2=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }|X(\omega ){|}^{2}d\omega$$
这表明信号的能量在时间域和频域是等价的。

DTFT 与 DFT 的区别

离散傅里叶变换（DFT）和离散时间傅里叶变换（DTFT）是两个密切相关的概念。DFT 是对有限长度的离散信号进行频域分析，而 DTFT 则是对无限长的离散信号进行分析。DFT 主要用于数字信号处理中，因为计算机只能处理有限长度的数据。因此，DFT 常用于对有限的信号窗口进行频谱分析，而 DTFT 是频谱分析的理想化数学模型。

具体而言，DFT 是 DTFT 的一个采样版本，它只对有限点的频谱进行计算，而 DTFT 是频率的连续函数。DFT 定义如下：
$$X[k]=\sum _{n=0}^{N-1}x[n]e^{-j\frac{2\pi }{N}nk}$$
其中$X[k]$是离散频率点$k$处的频谱，$N$是信号的长度。相比之下，DTFT 是对整个频率范围进行积分的连续频谱分析。

DTFT 在实际中的应用

滤波器设计：数字滤波器的频率响应可以通过DTFT来分析和设计。在滤波器设计中，DTFT用于确定滤波器在不同频率下的增益和相位特性，从而确保滤波器能够在期望的频带内起到增强或抑制特定频率分量的作用。

频谱分析：DTFT在频谱分析中起着核心作用。它帮助我们分析信号中的频率成分，特别是对周期性信号和非周期性信号的频率响应进行详细研究。例如，在通信系统中，DTFT可以用来分析信号在不同频率下的带宽和功率谱分布。

系统分析：DTFT用于线性时不变系统（LTI系统）的分析。通过DTFT，可以确定系统对不同频率信号的响应，帮助设计者了解系统的频率特性并优化系统性能。

语音信号处理：在语音信号处理领域，DTFT可以用于分析语音信号中的谐波结构，提取语音中的频谱特征，并用于语音识别、语音合成等应用。

本文代码

我们使用正交频分复用（OFDM）作为通信信号的示例，在发送和接收信号的过程中应用 DTFT 和 DFT 来分析频率特性。OFDM 是一种多载波调制技术，在现代无线通信（如 Wi-Fi 和 LTE）中非常常见。

核心代码

% MATLAB 代码: DTFT 结合 DFT 进行 OFDM 信号分析

% 参数设置
N = 1024;                   % OFDM 子载波数
M = 16;                     % 调制阶数 (QAM)
num_symbols = 10;           % OFDM 符号个数
cp_len = 128;               % 循环前缀长度
SNR = 20;                   % 信噪比（dB）

% 生成随机 QAM 调制信号
      % 生成随机数据符号
qam_mod = qammod(data, M, 'UnitAveragePower', true);  % 16-QAM 调制

% IFFT 生成 OFDM 信号
ofdm_symbols = ifft(qam_mod, N);             % 执行 IFFT 生成 OFDM 符号
ofdm_symbols_cp = [ofdm_symbols(end-cp_len+1:end,:); ofdm_symbols];  % 添加循环前缀

% 通过信道传输 (加噪声)
            % 转换成串行信号
rx_signal = awgn(ofdm_tx, SNR, 'measured');  % 添加高斯白噪声

% 接收端处理
rx_signal_reshaped = reshape(rx_signal, N + cp_len, num_symbols);  % 重新整形为 OFDM 符号
rx_signal_no_cp = rx_signal_reshaped(cp_len+1:end, :);  % 移除循环前缀

% DFT 处理接收信号
rx_qam = fft(rx_signal_no_cp, N);            % 执行 FFT 恢复 QAM 信号

% QAM 解调


% 计算误码率 (BER)
[~, ber] = biterr(data(:), rx_data(:));
fprintf('误码率 (BER) = %.5f\n', ber);

%% DTFT 分析
% DTFT 适用于连续信号的频谱分析，使用更高的频率分辨率

N_fft = 4096;                                % 使用更高分辨率的 FFT 进行 DTFT 分析
f = linspace(-0.5, 0.5, N_fft);              % 频率范围

% 计算发射信号和接收信号的 DTFT
tx_dtft = fftshift(fft(ofdm_symbols(:), N_fft));    % 发射信号的 DTFT


% 频谱绘图
figure;
subplot(2, 1, 1);
plot(f, abs(tx_dtft));
title('发射信号的 DTFT 频谱');
xlabel('归一化频率');
ylabel('幅值');

subplot(2, 1, 2);
plot(f, abs(rx_dtft));
title('接收信号的 DTFT 频谱');
xlabel('归一化频率');
ylabel('幅值');

%% DFT 分析
% DFT 用于离散频率分量分析，处理具体的频率点

% 计算 OFDM 信号的 DFT
tx_dft = fft(ofdm_symbols(:), N);
rx_dft = fft(rx_signal_no_cp(:), N);

% 绘制 DFT 结果
figure;
subplot(2, 1, 1);
stem(abs(tx_dft));
title('发射信号的 DFT 频谱');
xlabel('频率索引');
ylabel('幅值');

subplot(2, 1, 2);
stem(abs(rx_dft));
title('接收信号的 DFT 频谱');
xlabel('频率索引');
ylabel('幅值');

%% 通信信号的误差分析
% 计算接收端的误差向量幅度 (EVM)
evm = sqrt(mean(abs(rx_qam(:) - qam_mod(:)).^2));
fprintf('误差向量幅度 (EVM) = %.5f\n', evm);

代码说明

Rician 信道模型：
使用 comm.RicianChannel 模拟 Rician 多径信道环境。Rician 信道的 KFactor 表示直视路径和散射路径之间的能量比例，PathDelays 定义了多径传播的延迟，AveragePathGains 定义了各路径的平均增益，MaximumDopplerShift 模拟多普勒频移。
信号通过 Rician 信道后，使用 高斯白噪声 (AWGN) 添加随机噪声

误码率 (BER) 和误差向量幅度 (EVM)：
代码计算了 Rician 信道下的误码率 (BER) 和误差向量幅度 (EVM) 用于评估信号质量。
BER 是通过接收的 QAM 数据与原始发送数据的比对计算的，EVM 用来衡量解调信号与理想信号的差异。

DTFT 和 DFT 分析：
在发送和接收信号上都执行了 DTFT 和 DFT，绘制了发射和接收信号的频域频谱，并分析了通过 Rician 信道后的频谱特性变化。

效果

误码率 (BER) = 0.42864
误差向量幅度 (EVM) = 1.54591

完整代码获取

关注下方卡片微信公众号，回复"DTFT"获取完整代码